Implementación de forward pass y backpropagación usando solo NumPy, seguida del entrenamiento de una red neuronal personalizada en el dataset japonés MNIST (70.000 imágenes de Hiragana, 10 clases), logrando más del 91% de precisión con PyTorch.
Proyecto fundacional de deep learning completado como parte de la materia de Deep Learning en UTS, que abarca tanto una implementación desde cero en NumPy como un estudio sistemático de hiperparámetros en PyTorch. La primera parte implementa un Perceptrón con forward pass manual y backpropagación usando solo NumPy, demostrando la mecánica matemática del aprendizaje basado en gradientes sin abstracción de frameworks. La segunda parte entrena una red neuronal completamente conectada en el dataset Kuzushiji-MNIST (japonés MNIST), 70.000 imágenes de Hiragana escritas a mano en 10 clases, usando exclusivamente capas nn.Linear según lo requerido. Se ejecutan cuatro experimentos: Línea base (128 neuronas, 89,49% de precisión en test), Aplicación de Dropout (128 neuronas, dropout 0,5, 84,37%), Ajuste de hiperparámetros (512 neuronas, dropout 0,3, lr 0,001, 92,13%) y Extensión del modelo con L2 Weight Decay (512 neuronas, dropout 0,3, weight decay 1e-4, 91,60% de precisión en test con una brecha de sobreajuste del 7,14%). El modelo extendido final fue seleccionado por su menor brecha de generalización frente a la precisión bruta, con análisis de F1 por clase que identifica la Clase 2 de Hiragana como la más difícil de clasificar debido a la pérdida de geometría espacial al aplanar la imagen.
